Kod przedmiotu 02 58 6178 00
Liczba punktów ECTS 5
Nazwa w języku prowadzenia 
Głębokie sieci neuronowe
Nazwa w języku polskim Głębokie sieci neuronowe
Nazwa w języku angielskim 
Deep Neural Networks
Język prowadzenia zajęć polski
Formy zajęć
Liczba godzin w semestrze
Wykład Ćwiczenia Laboratorium Projekt Seminarium Inne E-learning
Godziny kontaktowe 30 10 15 25
Kształcenie na odległość Nie Nie Nie Nie Nie Nie Nie
Udział wagowy w ocenie końcowej. 0,00 0,30 0,70 0
Jednostka prowadząca Instytut Informatyki Stosowanej
Kierownik przedmiotu dr inż. Paweł Kapusta
Realizatorzy przedmiotu
Wymagania wstępne 
Podstawy Uczenia Głębokiego, Uczenie nienadzorowane
Przedmiotowe efekty uczenia się
  1. Zna i rozumie algorytmy generacyjne
  2. Zna i rozumie zaawansowane algorytmy pozwalające na detekcję obiektów na obrazach
  3. Potrafi wybrać i wdrożyć odpowiedni algorytm w celu rozwiązania wybranego problemu generacji danych
Metody weryfikacji przedmiotowych efektów uczenia się Efekt 1, 2 - Zadania wykonywane na laboratoriach (30%) Efekt 3 - Projekt (70%)
Kierunkowe efekty uczenia się
  1. Zna i rozumie główne tendencje rozwojowe informatyki w obszarze sztucznej inteligencji i uczenia maszynowego
  2. W pogłębionym stopniu zna i rozumie teoretyczne fundamenty sztucznej inteligencji i uczenia maszynowego, ich zaawansowane idee i zastosowania oraz zagadnienia z powiązanych działów informatyki.
  3. Potrafi przeanalizować złożony problem i zaproponować jego innowacyjne rozwiązanie, wykazując się kreatywnością w łączeniu wiedzy z obszaru tematycznego sztucznej inteligencji i powiązanych, innych dziedzin informatyki, a także dyscyplin specyficznych dla danego problemu, z uwzględnieniem zmieniających się oraz nieprzewidywalnych uwarunkowań.
  4. Potrafi zaprojektować, zaimplementować i ocenić system lub algorytm przetwarzania i analizy informacji wykorzystujący elementy sztucznej inteligencji i uczenia maszynowego, spełniający narzucone wymagania, dokonując przy tym wyboru odpowiednich do tego celu technik i narzędzi, a w razie potrzeby dostosować istniejące lub utworzyć nowe techniki i narzędzia.
  5. Potrafi formułować i testować hipotezy związane z prostymi problemami badawczymi.
Formy i warunki zaliczenia przedmiotu Laboratorium - zadania indywidualne, wykonywane w trakcie laboratoriów Projekt – wykonanie projektu końcowego. Prezentacja projektu końcowego oraz przygotowanie sprawozdania z jego realizacji
Szczegółowe treści przedmiotu Wykład: 1. Wprowadzenie do sieci generacyjnych 2. Autoenkodery i autoenkodery wariacyjne 3. Sieci generacyjne typu Adversarial (GAN) 4. Sieci generacyjne warunkowe (Conditional GAN) 4. Zagadnienia Text to Image 7. Mechanizm Attention w sieciach generacyjnych 8. Wykorzystanie algorytmów generacyjnych do tworzenia treści multimedialnych 9. Zastosowanie sieci niekonwolucyjnych do przetwarzania obrazów Laboratorium: 1. Praktyczna implementacja metod. Projekt: 1. Realizacja projektu z zastosowaniem powyższych metod.
Literatura podstawowa 
  1. Jakub Langr , Vladimir Bok, GANs in Action: Deep learning with Generative Adversarial Networks, ? Manning Publications, 2019
  2. David Foster, Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play, O`Reilly Media, 2019
  3. Bharat Sikka, Elements of Deep Learning for Computer Vision: Explore Deep Neural Network Architectures, PyTorch, Object Detection Algorithms, and Computer Vision Ap-plications for Python Coders, BPB Publications, 2021
Literatura uzupełniająca 
  1. Xiaoyue Jiang, Abdenour Hadid, Yanwei Pang, Eric Granger, Xiaoyi Feng, Deep Learning in Object Detection and Recognition, Springer, 2019
  2. Kurs Uniwersytetu Stanforda, CS236G Generative Adversarial Networks (GANs), https://cs236g.stanford.edu/
Bilans godzin
Forma zajęć Liczba godzin
Wykład 30
Laboratorium 10
Projekt 15
Inne 25
SUMA : 80
Uwagi 

                    

                    

                        Data aktualizacja karty 
                        2021-12-07 12:21:16